《SigmaPlot軟件操作與統(tǒng)計(jì)分析》共8節(jié)_完整ppt課件

1、第一節(jié) 統(tǒng)計(jì)描述SigmaPlot與統(tǒng)計(jì)分析常用統(tǒng)計(jì)軟件SAS :世界上最權(quán)威的統(tǒng)計(jì)軟件，國(guó)際上的標(biāo)準(zhǔn)軟件系統(tǒng)。STATA :軟件小巧，統(tǒng)計(jì)分析能力極強(qiáng)， 命令行方式操作。SPSS :界面友好，菜單操作簡(jiǎn)單方便。為各領(lǐng)域的廣大科研工作者所鐘愛(ài)。三大權(quán)威統(tǒng)計(jì)軟件SigmaPlot第一節(jié)：散點(diǎn)圖繪制與分析1.1 SigmaPlot安裝與熟悉Commercial Edition:$799.00Government Edition:$699.00Academic Edition:$549.00Electrophysiology Module:$99.00安裝功能支持一百多種 2D、3D 科學(xué)圖形。2D

2、 圖表: 散點(diǎn)圖、線性圖、面積圖、極坐標(biāo)圖、柱狀圖表、水平圖表、等高線圖等；3D 圖形:散點(diǎn)圖、線性圖、網(wǎng)眼圖、柱狀圖等。功能眾多的國(guó)外頂級(jí)期刊如Science、Nature等的發(fā)表論文中的精致細(xì)膩的統(tǒng)計(jì)圖形60%出自Sigmaplot之手。亮點(diǎn)SigmaPlot是一款專(zhuān)業(yè)的科學(xué)繪圖軟件，可用于繪制準(zhǔn)確、高質(zhì)量的圖形和曲線-此外，它還具有強(qiáng)大的數(shù)據(jù)統(tǒng)計(jì)分析功能（SigmaStat）工具欄圖表選擇區(qū)數(shù)據(jù)區(qū)界面Sigmaplot 12.5統(tǒng)計(jì)分析數(shù)據(jù)制圖繪圖步驟數(shù)據(jù)準(zhǔn)備例如：ExcelSPSSSAS1確定圖例2參數(shù)選擇3調(diào)整導(dǎo)出4例如：線形圖柱狀圖散點(diǎn)圖餅圖例如：Single X Single Y

3、One XX Y Pairs例如：GraphAxisPlot300dpi MYK tif繪圖1.2 描述性統(tǒng)計(jì)二、統(tǒng)計(jì)描述均值（Mean）和均值標(biāo)準(zhǔn)誤差（S.E.mean）中位數(shù)（Median）眾數(shù)（Mode）全距（Range）方差（Variance）和標(biāo)準(zhǔn)差（Standard Deviation）四分位數(shù)（Quartiles）、十分位數(shù)（Deciles） 和百分位數(shù)（Percentiles）頻數(shù)（Frequency）峰度（Kurtosis）偏度（Sk標(biāo)準(zhǔn)化Z分?jǐn)?shù)及其線性轉(zhuǎn)換 ewness）探 索 分 析1 均值（Mean）和均值標(biāo)準(zhǔn)誤差（S.E.mean） 均值（Mean）平均值、平均數(shù)：表

4、示的是某變量所有取值的集中趨勢(shì)或平均水平。 例如，學(xué)生某門(mén)學(xué)科的平均成績(jī)、公司員工的平均收入、某班級(jí)學(xué)生的平均身高等。均值標(biāo)準(zhǔn)誤差（Standard Error of Mean，S.E. mean）:描述這些樣本均值與總體均值之間平均差異程度的統(tǒng)計(jì)量。 總體平均數(shù)：若一組數(shù)據(jù)X1，X2，XN，代表一個(gè)大小為N的有限總體，則其總體平均數(shù)為 樣本平均數(shù)：若一組數(shù)據(jù)x1，x2，xn，代表一個(gè)大小為n的有限樣本，則其樣本平均數(shù)為 2 中位數(shù)（Median）把一組數(shù)據(jù)按遞增或遞減的順序排列，處于中間位置上的變量值就是中位數(shù)。它是一種位置代表值，所以不會(huì)受到極端數(shù)值的影響，具有較高的穩(wěn)健性。首先應(yīng)把該數(shù)列

5、按大小順序排列好，如果為奇數(shù)，那么該數(shù)列的中位數(shù)就是位置 上的數(shù)；如果N為偶數(shù)，中位數(shù)則是該數(shù)列中第 與第 +1位置上兩個(gè)數(shù)值的平均數(shù)。 3 眾數(shù)（Mode）眾數(shù):指一組數(shù)據(jù)中，出現(xiàn)次數(shù)最多的那個(gè)變量值。眾數(shù)在描述數(shù)據(jù)集中趨勢(shì)方面有一定的意義。例如，制鞋廠可以根據(jù)消費(fèi)者所需鞋的尺碼的眾數(shù)來(lái)安排生產(chǎn)。計(jì)算公式：手工計(jì)算眾數(shù)比較麻煩，需要統(tǒng)計(jì)數(shù)據(jù)的次數(shù)分布。4 全距（Range）全距:也稱(chēng)極差，是數(shù)據(jù)的最大值與最小值之間的絕對(duì)差。在相同樣本容量情況下的兩組數(shù)據(jù)，全距大的一組數(shù)據(jù)要比全距小的一組數(shù)據(jù)更為分散。 計(jì)算公式：MaxMin。 5 方差（Variance）和標(biāo)準(zhǔn)差（SD）方差:所有變量值與平

6、均數(shù)偏差平方的平均值，它表示了一組數(shù)據(jù)分布的離散程度的平均值。標(biāo)準(zhǔn)差:方差的平方根，它表示了一組數(shù)據(jù)關(guān)于平均數(shù)的平均離散程度。方差和標(biāo)準(zhǔn)差越大，說(shuō)明變量值之間的差異越大，距離平均數(shù)這個(gè)“中心”的離散趨勢(shì)越大。6 四分位數(shù)（Quartiles）、十分位數(shù)（Deciles）和百分位數(shù)（Percentiles）四分位數(shù):將一組數(shù)據(jù)由小到大（或由大到?。┡判蚝?，用3個(gè)點(diǎn)將全部數(shù)據(jù)分為四等份，與3個(gè)點(diǎn)上相對(duì)應(yīng)的變量稱(chēng)為四分位數(shù)，分別記為Q1（第一四分位數(shù)）、Q2（第二四分位數(shù)）、Q3（第三四分位數(shù)）。其中，Q3到Q1之間的距離的一半又稱(chēng)為四分位差，記為Q。四分位差越小，說(shuō)明中間的數(shù)據(jù)越集中；四分位數(shù)越大

7、，則意味著中間部分的數(shù)據(jù)越分散。十分位數(shù)：將一組數(shù)據(jù)由小到大（或由大到?。┡判蚝螅?個(gè)點(diǎn)將全部數(shù)據(jù)分為十等份，與9個(gè)點(diǎn)位置上相對(duì)應(yīng)的變量稱(chēng)為十分位數(shù)，分別記為D1，D2，D9，表示10%的數(shù)據(jù)落在D1下，20%的數(shù)據(jù)落在D2下，90%落在D9下。百分位數(shù)：將一組數(shù)據(jù)由小到大（或由大到?。┡判蚝蠓指顬?00等份，與99個(gè)分割點(diǎn)位置上相對(duì)應(yīng)的變量稱(chēng)為百分位數(shù)，分別記為P1，P2，P99，表示1%的數(shù)據(jù)落在P1下，2%的數(shù)據(jù)落在P2下，99%落在P99下。7.1 頻數(shù)（Frequency）頻數(shù)：指變量值中代表某種特征的數(shù)（標(biāo)志值）出現(xiàn)的次數(shù)。如要了解學(xué)生某次考試的成績(jī)情況，需要計(jì)算出學(xué)生所有分?jǐn)?shù)取

8、值，以及每個(gè)分?jǐn)?shù)取值有多少個(gè)人，這就需要用到頻數(shù)分析?？捎杀砗蛨D表示。7.2 峰度（peakedness，Kurtosis）峰度：表征概率密度分布曲線在平均值處峰值高低的特征數(shù)。直觀看來(lái)，峰度反映了峰部的尖度。隨機(jī)變量的四階中心矩與方差平方的比值。峰度為0 正態(tài)分布的陡緩程度相同；峰度0 比正態(tài)分布高峰陡峭，為尖頂峰；峰度 0 比正態(tài)分布的高峰平坦，為平頂峰。8 偏度（Skewness）偏度:是統(tǒng)計(jì)數(shù)據(jù)分布偏斜方向和程度的度量，是統(tǒng)計(jì)數(shù)據(jù)分布非對(duì)稱(chēng)程度的數(shù)字特征。正態(tài)分布的偏度為0，兩側(cè)尾部長(zhǎng)度對(duì)稱(chēng);bs0稱(chēng)分布具有正偏離，也稱(chēng)右偏態(tài).SigmaPlot第二節(jié) 相關(guān)、回歸分析相關(guān)分析和回歸分析

9、都是研究變量間關(guān)系。在應(yīng)用中，兩種分析方法經(jīng)常相互結(jié)合和滲透，但它們研究的側(cè)重點(diǎn)和應(yīng)用面不同。 回歸分析：變量y稱(chēng)為因變量，處于被解釋的特殊地位； 相關(guān)分析：變量y與變量x處于平等的地位。 回歸分析：因變量y是隨機(jī)變量，自變量x可以是隨機(jī)變量，也可以是非隨機(jī)的確定變量； 相關(guān)分析：變量x和變量y都是隨機(jī)變量。相關(guān)分析：測(cè)定變量之間的關(guān)系密切程度，所使用的工具是相關(guān)系數(shù)； 回歸分析：側(cè)重于考察變量之間的數(shù)量變化規(guī)律，并通過(guò)一定的數(shù)學(xué)表達(dá)式來(lái)描述變量之間的關(guān)系，進(jìn)而確定一個(gè)或者幾個(gè)變量的變化對(duì)另一個(gè)特定變量的影響程度。4.1 相關(guān)分析 相關(guān)分析：描述變量之間線性相關(guān)程度的強(qiáng)弱，并用適當(dāng)?shù)慕y(tǒng)計(jì)指標(biāo)表

10、示出來(lái)的過(guò)程。相關(guān)系數(shù)的取值范圍在1和+1之間，即1r+1。其中： 若0r1，表明變量之間存在正相關(guān)關(guān)系，即兩個(gè)變量的相隨變動(dòng)方向相同； 若1r0，表明變量之間存在負(fù)相關(guān)關(guān)系，即兩個(gè)變量的相隨變動(dòng)方向相反； 為了判斷r對(duì)的代表性大小，需要對(duì)相關(guān)系數(shù)進(jìn)行假設(shè)檢驗(yàn)。 （1）假設(shè)總體相關(guān)性為零，即H0為兩總體無(wú)顯著的線性相關(guān)關(guān)系。 （2）計(jì)算相應(yīng)的統(tǒng)計(jì)量，并得到對(duì)應(yīng)的相伴概率值。如果概率值（p）小于或等于指定的顯著性水平，則拒絕H0，認(rèn)為兩總體存在顯著的線性相關(guān)關(guān)系；比較常用的相關(guān)分析:二元定距變量的相關(guān)分析二元定序變量的相關(guān)分析偏相關(guān)分析距離分析二元定距變量的相關(guān)分析:通過(guò)計(jì)算定距變量間兩兩相關(guān)的

11、相關(guān)系數(shù)，對(duì)兩個(gè)或兩個(gè)以上定距變量之間兩兩相關(guān)的程度進(jìn)行分析。二元變量的相關(guān)分析過(guò)程中比較常用的幾個(gè)相關(guān)系數(shù)是Pearson簡(jiǎn)單相關(guān)系數(shù)、Spearman和Kendalls tua-b等級(jí)相關(guān)系數(shù)。Pearson簡(jiǎn)單相關(guān)系數(shù)計(jì)算公式: 對(duì)Pearson簡(jiǎn)單相關(guān)系數(shù)的統(tǒng)計(jì)檢驗(yàn)是計(jì)算t統(tǒng)計(jì)量，t統(tǒng)計(jì)量服從n2個(gè)自由度的t分布。 4.2 回歸分析 一元線性回歸分析 2多元線性回歸分析3非線性回歸分析4曲 線 估 計(jì)1在一元回歸分析中，一般首先繪制自變量和因變量間的散點(diǎn)圖，然后通過(guò)數(shù)據(jù)在散點(diǎn)圖中的分布特點(diǎn)選擇所要進(jìn)行回歸分析的類(lèi)型，是使用線性回歸分析還是某種非線性的回歸分析。1 曲線估計(jì)在實(shí)際問(wèn)題中，

12、用戶往往不能確定究竟該選擇何種函數(shù)模型更接近樣本數(shù)據(jù)，這時(shí)可以采用曲線估計(jì)的方法根據(jù)實(shí)際問(wèn)題本身特點(diǎn)，同時(shí)選擇幾種模型；SPSS自動(dòng)完成模型的參數(shù)估計(jì)，并顯示R2、F檢驗(yàn)值、相伴概率值等統(tǒng)計(jì)量；最后，選擇具有R2統(tǒng)計(jì)量值最大的模型作為此問(wèn)題的回歸模型，并作一些預(yù)測(cè)。練 習(xí)試用SPSS對(duì)國(guó)內(nèi)生產(chǎn)總值和社會(huì)消費(fèi)品零售總額之間的關(guān)系進(jìn)行曲線回歸分析。年 份國(guó)內(nèi)生產(chǎn)總值（億元）社會(huì)消費(fèi)品零售總額（億元）19783645.21558.619794062.61800.019804545.62140.019814891.62350.019825323.42570.019835962.72849.419847

13、208.13376.419859016.04305.0198610275.24950.0198712058.65820.0198815042.87440.0198916992.38101.4199018667.88300.1199121781.59415.6199226923.510993.7199335333.912462.1199448197.916264.7199560793.720620.0199671176.624774.1199778973.027298.9199884402.329152.5199989677.131134.7200099214.634152.6200110965

14、5.237595.22002120332.748135.92003135822.852516.32004159878.359501.02005183867.967176.62006210871.076410.02 一元線性回歸分析 （1）擬合優(yōu)度檢驗(yàn)（R2） 回歸方程的擬合優(yōu)度檢驗(yàn)就是要檢驗(yàn)樣本數(shù)據(jù)聚集在樣本回歸直線周?chē)拿芗潭?，判斷回歸方程對(duì)樣本數(shù)據(jù)的代表程度。 （2）回歸方程的顯著性檢驗(yàn)（F檢驗(yàn)） 回歸方程的顯著性檢驗(yàn)是對(duì)因變量與所有自變量之間的線性關(guān)系是否顯著的一種假設(shè)檢驗(yàn)。（3）回歸系數(shù)的顯著性檢驗(yàn)（t檢驗(yàn)） 根據(jù)樣本估計(jì)的結(jié)果對(duì)總體回歸系數(shù)的有關(guān)假設(shè)進(jìn)行檢驗(yàn)。用最小二乘法求得的樣本

15、回歸直線作為對(duì)總體回歸直線的近似，這種近似是否合理，必須對(duì)其作各種統(tǒng)計(jì)檢驗(yàn)。例 子 1、用一元回歸分析來(lái)分析某班同學(xué)物理和數(shù)學(xué)成績(jī)之間的關(guān)系。3 多元線性回歸分析一元線性回歸分析只涉及了一個(gè)自變量，但在實(shí)際問(wèn)題中，影響因變量的因素往往有多個(gè)。對(duì)多元線性回歸，也需要測(cè)定方程的擬合程度、檢驗(yàn)回歸方程和回歸系數(shù)的顯著性。（1）擬合優(yōu)度檢驗(yàn) 測(cè)定多元線性回歸的擬合程度，與一元線性回歸中的判定系數(shù)類(lèi)似，使用多重判定系數(shù)。（2）回歸方程的顯著性檢驗(yàn)（F檢驗(yàn)） 多元線性回歸方程的顯著性檢驗(yàn)一般采用F檢驗(yàn)，利用方差分析的方法進(jìn)行。 （3）回歸系數(shù)的顯著性檢驗(yàn)（t檢驗(yàn)） 回歸系數(shù)的顯著性檢驗(yàn)是檢驗(yàn)各自變量x1，

16、x2，對(duì)因變量y的影響是否顯著，從而找出哪些自變量對(duì)y的影響是重要的，哪些是不重要的。例 子 1、用多元回歸分析來(lái)分析某班同學(xué)物理和化學(xué)成績(jī)與數(shù)學(xué)成績(jī)之間的關(guān)系。4 非線性回歸分析變量之間的相關(guān)關(guān)系往往不是線性的，而是非線性的，因而不能用線性回歸方程來(lái)描述它們之間的相關(guān)關(guān)系，而要采用適當(dāng)?shù)姆蔷€性回歸分析。非線性回歸問(wèn)題大多數(shù)可以化為線性回歸問(wèn)題來(lái)求解，也就是通過(guò)對(duì)非線性回歸模型進(jìn)行適當(dāng)?shù)淖兞孔儞Q，使其化為線性模型來(lái)求解。根據(jù)經(jīng)驗(yàn)或者繪制散點(diǎn)圖，選擇適當(dāng)?shù)姆蔷€性回歸方程；通過(guò)變量置換，把非線性回歸方程化為線性回歸；用線性回歸分析中采用的方法來(lái)確定各回歸系數(shù)的值；對(duì)各系數(shù)進(jìn)行顯著性檢驗(yàn)。Sigma

17、Plot第三節(jié) 主成分分析5.1主成分分析的幾何意義在P維總體中抽取了N個(gè)樣品，可以得到在P維空間中的N個(gè)點(diǎn)，來(lái)研究這N個(gè)點(diǎn)之間的關(guān)系。首先以簡(jiǎn)單的低維空間說(shuō)明，以二維空間，即平面的二個(gè)變量P=2為例：1 2 3 4 5 6X11 2 3 4 5 6X22 4 6 8 10 12樣品指標(biāo)直線方程X2 = 2*X1X1X21 2 3 4 5 6Y1 樣品變量Y1將X1和X2軸同時(shí)逆時(shí)針旋轉(zhuǎn)X1X2Y1Y2.5.2 主成分分析的基本概念主成分分析(Principle Component Analysis）：一種將多個(gè)指標(biāo)化為少數(shù)幾個(gè)綜合指標(biāo)的統(tǒng)計(jì)分析方法。基本思想:描述經(jīng)濟(jì)現(xiàn)象需要用很多指標(biāo)(也稱(chēng)

18、變量)來(lái)刻劃,但是指標(biāo)之間往往有一定的相關(guān)性,因而所得的統(tǒng)計(jì)數(shù)據(jù)在一定程度上反映的信息有重疊。主成分分析可將相關(guān)的指標(biāo)化成一些不相關(guān)的指標(biāo),避免了信息重疊帶來(lái)的虛假性,而且這些主成分可以盡可能地反映原來(lái)變量的絕大部分信息。1、主成分分析的一般數(shù)學(xué)模型并且滿足：其中eij 由下列原則決定：1.任一兩個(gè)主成分之間都不相關(guān)：i與Y j(i j；i，j=1,2,p)2.Y1是X1、X2、X p的一切線性組合中方差最大的；Y2是與Y1不相關(guān)的X1、X2、X p的一切線性組合中方差最大的；（ Y2的方差小于Y1的方差）；Y p是與Y1、Y2、Yp-1都不相關(guān)的X1、X2、X p的一切線性組合中方差最大的（

19、 Y p的方差小于Y1 、Y2 、 、 Yp-1的方差)。這樣確定的綜合指標(biāo)就稱(chēng)為原變量的第一主成分,第二主成分,第p主成分。2、主成分的求解關(guān)鍵是求系數(shù) ，而其正是觀測(cè)變量相關(guān)矩陣的單位特征向量.因此通過(guò)求解觀測(cè)變量相關(guān)矩陣的特征方程，得到P個(gè)特征根和P個(gè)單位特征向量，把P個(gè)特征根按從大到小的順序排列，記作 它們分別代表P個(gè)主成分所解釋的觀測(cè)變量的方差 .相應(yīng)的P個(gè)單位特征向量就是主成分的系數(shù) 主成分模型中的各統(tǒng)計(jì)量的意義(1)主成分Yi的方差貢獻(xiàn)率 主成分分析是把P個(gè)原始變量X1、X2、X p總方差 分解成P個(gè)不相關(guān)變量Y1、Y2、Y p的方差 之和 ，而 因此 描述了第i 個(gè)主成分反映的

20、信息占 總信息的份額，我們稱(chēng)它為第i主成分Yi的方差貢獻(xiàn)率。第一主成分的方差貢獻(xiàn)率最大，表明Y1綜合原始變量X1、X2、X p所含信息的能力最強(qiáng)，而Y2、Y p的綜合能力依次減弱。(2)前k個(gè)主成分Y k ( i=1，2，k)的對(duì)原變量的貢獻(xiàn)率,稱(chēng)為Y1、Y2、Y k的累計(jì)方差貢獻(xiàn)率。它表明前K個(gè)主成分Y1、Y2、Y k綜合提供X1、X2、X p中信息的能力。實(shí)際應(yīng)用中，通常選取KP,使前K個(gè)主成分的方差貢獻(xiàn)率達(dá)到較高的比例(85%以上)。這樣用前K個(gè)主成分Y1、Y2、Y k，代替原始變量X1、X2、X p，不僅減少了變量的個(gè)數(shù)，便于對(duì)實(shí)際問(wèn)題的研究，而且對(duì)于原始變量中的信息損失減少。（3）因

21、子載荷量前K個(gè)主成分Yk與原變量Xi的相關(guān)系數(shù)主成分分析的步驟（）對(duì)原個(gè)變量的數(shù)據(jù)標(biāo)準(zhǔn)化（）求觀測(cè)變量的相關(guān)矩陣（）求相關(guān)矩陣的特征根和單位特征向量（）確定主成分，結(jié)合專(zhuān)業(yè)知識(shí)給各主成分所蘊(yùn)藏的信息給予恰當(dāng)?shù)慕忉專(zhuān)⒗盟鼈儊?lái)判斷樣品的特性主成分個(gè)數(shù)的確定 主成分分析的目的是為了減少變量的個(gè)數(shù)，以便對(duì)實(shí)際問(wèn)題的研究，而且對(duì)于原始變量中的信息損失很少，故一般不用p個(gè)主成分，而用Kp個(gè)主成分。K的選取要看前K個(gè)主成分累計(jì)方差貢獻(xiàn)率達(dá)到85%以上。5.3主成分分析與因子分析的區(qū)別主成分是原觀測(cè)變量的線性組合每個(gè)主成分相應(yīng)的系數(shù)是唯一確定的特征向量因子分析模型是原觀測(cè)變量表現(xiàn)為各新因子的線性組合每個(gè)因

22、子相應(yīng)系數(shù)不唯一.即因子載荷矩陣不唯一. 主成分個(gè)數(shù)m=P 因子個(gè)數(shù)mP(為經(jīng)濟(jì)起見(jiàn),總是越小越好)，當(dāng)m=P就不能考慮特殊因子。主成分分析是因子分析的一個(gè)特例主成分分析是一種變量的變換不能作為一個(gè)模型一表述，因子分析需要構(gòu)造因子模型，且其中的因子滿足特定的條件，當(dāng)這些條件不滿足時(shí)因子分析就可能是虛假的.兩種方法的側(cè)重點(diǎn)有所不同： 主成分分析觀測(cè)變量到主成分的變換 因子分析公共因子和特殊因子到觀測(cè)量的變換兩者的實(shí)際應(yīng)用范圍有所不同： 主成分分析綜合評(píng)價(jià)和指標(biāo)篩選 因子分析除這兩個(gè)作用外，還可對(duì)樣本或變量的分類(lèi)主成分分析與因子分析的聯(lián)系因子分析數(shù)學(xué)模型的特殊因子的影響微不足道可以忽略時(shí)，數(shù)學(xué)模型

23、就變成：X=AF。如果F中的各分量均為正交，就形成特殊形式的因子分析，即主成分分析，它的數(shù)學(xué)系模型為Y=UX，這兩個(gè)數(shù)學(xué)系模型的含義是不同的，但從因子分析求解主因子過(guò)程可以看到，當(dāng)特殊因子變差貢獻(xiàn)為零時(shí)，主因子分析和主成分分析完全是等價(jià)的。SigmaPlot第四節(jié)：散點(diǎn)圖繪制與分析散點(diǎn)圖線圖點(diǎn)線圖面積圖極圖三元圖柱狀圖箱體圖餅圖輪廓圖散點(diǎn)圖線圖網(wǎng)狀圖柱狀圖二維三維界面繪圖步驟數(shù)據(jù)準(zhǔn)備例如：ExcelSPSSSAS1確定圖例2參數(shù)選擇3調(diào)整導(dǎo)出4例如：線形圖柱狀圖散點(diǎn)圖餅圖例如：Single X Single YOne XX Y Pairs例如：GraphAxisPlot300dpi MYK t

24、if繪圖1.2 散點(diǎn)圖繪制例、繪制新春小麥品種穗長(zhǎng)和穗粒數(shù)的散點(diǎn)圖新春品系穗長(zhǎng)（cm）穗粒數(shù)（粒）千粒重（g）寧春04號(hào)8.6854.433.31寧春04號(hào)9.1241.439.52寧春04號(hào)9.8840.432.36新春02號(hào)9.331.831.53新春02號(hào)9.14535.23新春02號(hào)9.4438.838.29新春05號(hào)9.338.631.18新春05號(hào)8.4243.430.41新春05號(hào)9.824234.4新春15號(hào)9.8647.829.87新春15號(hào)1136.242.25新春15號(hào)9.1243.633.17新春25號(hào)9.849.832.58新春25號(hào)9.5844.836.92新春25

25、號(hào)10.1436.837.43新春40號(hào)9.1442.837.83新春40號(hào)8.940.640.71新春40號(hào)10.444439.39例、繪制小麥品種穗長(zhǎng)和穗粒數(shù)的散點(diǎn)圖品種穗長(zhǎng)（cm)穗粒數(shù)千粒重（g)新春27號(hào)9.08 37.00 38.45 新春30號(hào)9.54 43.60 45.34 新春32號(hào)9.16 43.00 42.44 新春37號(hào)10.30 53.60 43.73 新春38號(hào)11.06 49.00 48.40 新春39號(hào)9.46 47.20 43.64 楊06G-1389.70 36.50 43.40 楊1-91519.90 38.00 38.00 中國(guó)農(nóng)科院17.20 27.9

26、0 32.30 中國(guó)農(nóng)科院27.00 30.70 33.00 農(nóng)大2117.80 31.20 34.10 農(nóng)大2127.60 28.60 34.00 鄭州76987.10 36.70 43.90 鄭州9023-18878.70 30.10 44.90 練 習(xí)1、繪制不同小麥品種間穗長(zhǎng)和穗粒數(shù)散點(diǎn)圖2、繪制新春品系小麥穗長(zhǎng)和穗粒數(shù)散點(diǎn)圖（誤差線和顯著性檢驗(yàn)標(biāo)注）3、不同小麥品種間穗長(zhǎng)和穗粒數(shù)散點(diǎn)圖，并繪制小麥穗長(zhǎng)和穗粒數(shù)回歸曲線圖形修改要點(diǎn)1、Plot: Symbol: Size(5-7) and Color Line: Type, Color, Thinkness Error bars:2、Axis: X and Y Line: th (0.5-0.7mm) Scaling: start and stop Major ticks: length(1.8mm), th(0.5mm),dr(left, inward) Minor ticks: length(1.6mm), th(0.4mm),dr(left, inward)3、Graph: Legends 作 業(yè)1、繪制不同宿舍數(shù)學(xué)和英語(yǔ)散點(diǎn)圖（誤差線和顯著性檢